Priorización de Tráfico en Redes Convergentes Aplicando Inteligencia Artificial

Abstract

Las redes convergentes modernas enfrentan serios desafíos en la gestión de tráfico heterogéneo (voz, video, datos) debido a la rigidez de los mecanismos de Calidad de Servicio estáticos. Estos sistemas fijos no logran adaptarse a las fluctuaciones impredecibles del tráfico, degradando el rendimiento. Esta tesis propone un marco de gestión autónoma basado en Aprendizaje por Refuerzo Profundo e integrado con Redes Definidas por Software. Se diseña un agente de IA que observa el estado de la red en tiempo real y toma decisiones dinámicas, ajustando parámetros de QoS para optimizar los objetivos de rendimiento. La contribución central es la formalización de este agente como un Proceso de Decisión de Markov, definiendo un espacio de estados, un espacio de acciones y una función de recompensa multiobjetivo. Este marco supera la "Brecha de Adaptabilidad" de los sistemas estáticos, sentando las bases para redes autónomas.